图像处理中模式识别的方法及运用

图像处理中模式识别的方法及运用摘要：近几年，随着科学技术的不断发展与进步，模式识别技术在现代科学技术的众多领域得到广泛应用，特别是在图像处理应用中起到至关重要的作用，它提高图像处理的工作效率，解决图像处理过程的一些问题，成为目前许多科研人员的一个研究方向。本文基于对模式识别在图像处理的应用上特征识别不准确以及模型泛化能力弱等问题，论述其在现代科学技术的应用研究中的主要方法和主流应用领域的现状。关键词:模式识别;图像处理;应用;研究;1、模式识别的定义及特点1.1、模式识别的定义模式识别诞生于20世纪20年代，随着40年代计算机的出现，50年代人工智能的兴起，模式识别在60年代初迅速发展起来。模式识别是指计算机对环境中客体和现象各种形式的信息进行处理和分析，而进一步根据客体和现象的特征将它们进行分类的过程1.2、模式识别的特点模式识别和人类识别认知的特性具有一定的相似性，它通过对样本的特征信息进行处理和分析，判别多数样本与特征信息的符合程度。但由于有效提取的特征点少，模式识别技术还存在着“拒识”和“误识”的现象。在如今，面对图像复杂的信息内容，模式识别依据计算机可以存储大量信息和快速处理信息的特点，使其在图像处理上可以做到更精确、更快速。可见模式识别在图像处理上的应用在未来有着必不可少的作用。2、关于模式识别在图像处理应用中的问题由于模式识别技术刚起步，在图像处理方面还没有一个系统的模型，因此模式识别在图像处理领域应用依旧比较狭隘。模式识别在主流的生物特征识别虽然通过科学研究积累了丰富的理论和方法，但是典型的应用场景往往具有样本有限、特征高维异构、机器学习得到的模型泛化能力比较弱等不利因素，这些对模式识别算法设计提出了巨大的挑战。同时，在生物特征识别上，会存在像光照、遮挡以及生物表情变化等因素的影响，这些不利影响会使得图像数据识别性能大幅降低，甚至无法满足在现实世界实际应用中的非可控条件下的身份识别，而要解决这方面的问题需要实现在这些非可控环境条件下的清晰成像、精准识别和精确鉴伪。3、模式识别的主要方法3.1、统计模式识别统计模式识别的基本原理是：用给定的有限数量样本集，在已知研究对象统计模型或已知判别函数类条件下根据一定的准则通过学习算法把d维特征空间划分为c个区域，每一个区域与每一类别相对应。统计模式识别的主要方法有：判别函数法，k近邻分类法，非线性映射法，特征分析法，主因子分析法等。3.1.1、线性判别法线性判别分析（LinearDiscriminantAnalysis,LDA）是一种经典的线性学习方法，同时也是一种监督学习的降维技术，它通过给定的训练样本集，将样本投影到一条直线，若样本的类别相同，其投影点尽可能的接近，反之，样本的类别不同，其投影点尽可能的远离。LDA算法既可以用来降维也可以用来模式分类，它在人脸识别，语音识别，生物医学研究上有着广泛的应用3.1.2、k近邻分类法K近邻（k-NearestNeighbor,KNN）分类算法属于监督分类方法，同时也是最简单的机器学习算法之一。它的工作原理：[1]存在一个训练样本集，样本集中的每个数据都对应一个标签。在K近邻分类算法中，输入新的数据并在训练样本集中选取与该数据距离最小的K个数据所对应的类别，最后选择K个类别中出现次数最多的类，把输入的新数据分类到这个类中。3.2、模糊模式识别1965年，美国控制论专家扎德Zadeh(LotfiA.Zadeh）教授在InformationandControl杂志上发表了题为FuzzySets的论文，模糊数学就此诞生[2]。随着模糊数学的发展它被逐渐运用到了模糊控制、模糊识别、模糊决策、医学、生物学等各个方面。而其中的模糊模式识别是最有应用前景的领域之一。模糊模式识别是用模糊集来表示具体类别或待识别对象的一种模式识别。它依据模糊数学大大提高了模式识别能力，甚至可以做到模拟人类的神经系统的活动。但如今模糊数学的理论尚不成熟，还需要日后的发展与完善。3.3、粗糙集理论粗糙集理论作为一种数据分析处理理论，最早在20世纪80年代由波兰科学家Z.Pawlak创立，后来引起了越来越多的科研人员的关注，并在他们的研究和探讨下，不断完善这个理论。粗糙集理论得益于它的数学基础成熟，它不需要提供问题所需处理的数据集合之外的任何先验知识，这便是它的优势所在。如今它被广泛应用于模式识别与分类、图像处理、临床医疗诊断、预测与控制等等，是国内外研究的热点之一。3.4、神经网络模式识别人工神经网络是模式识别中的常用方法，其中的BP(backpropagation）神经网络是1986年由Rumelhart和McClelland为首的科学家小组提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最为广泛的神经网络之一。它的整个网络结构分为输入层、隐层和输出层三个部分。基本BP算法包括信号的前向传播和误差的反向传播两个过程。通过前向传播得出输出信号，通过反向传播使实际输出与期望输出产生的误差沿梯度方向下降，通过反复的训练，进而调整权值和阈值。随着人工神经网络的快速发展，人工神经网络在很多新兴领域方面可以解决其他传统模式识别方法所不能解决的问题，它已经成为了模式识别的必不可少的工具。4、在图像处理中模式识别的应用4.1、在医学图像上的应用模式识别在医学图像处理方面的应用如今越来越广泛，而医学图像处理的对象有很多种，其中临床医学广泛使用的医学成像种类主要有X-射线成像（X-CT）、核磁共振成像（MRI）、正子发射断层扫描（PET）和超声波成像（UI）。通过对医学图像的处理和模式分类，可以极大程度上减轻医生的负担和提高病情分析的准确性。[3]但是这些成像出来的图片由于受成像环境和仪器设备质量等因素的影响会出现图片质量差异较大的问题，很难保证这些医学图像具有统一的，其次医学图像的标注难度很高，因为图片存在噪声因子，和边界曲线的不规则性等等，这些不利因素给标注工作上带来了极大的挑战。因此在医学图像的处理方面，还有很长的路要走。4.2、在语音识别技术上的应用语音识别技术为所有模式识别技术中最为重要的技术之一，一旦语音识别技术达到极高层次，机器就能很容易将人类的语音内容转化为它们所能理解的信息，即人类对机器施加的命令。语音识别技术为人类提供了便利，比如类似于科大讯飞等企业所开发的语音输入法，可以使人们摆脱繁琐的键盘输入，大大降低了输入错误率，尤其对老年人来说这样的使用无疑是非常便利的。如今，在语音识别技术中衍生出的新兴技术——声纹识别技术得益于其安全性和便利性，在安防和智能家居等领域得到广泛应用。4.3、在遥感上的应用遥感技术是20世纪60年代兴起的一种对目标进行探测和识别的技术，它通过不与目标接触获取数据，并对数据分析得到我们所需要的信息。遥感器、遥感平台和信息传输设备等共同组成了遥感技术，其中遥感器为最重要的仪器设备，它一般安装在遥感平台上。目前主要的遥感平台有飞机、人造卫星、载人宇宙飞船、高空气球、遥感塔等。随着遥感技术的进步，遥感数据的时空维数在不断的拓展，传统的模式识别法不再适用，近年来像模糊分类和人工神经网络等方法被运用在遥感图像模式识别上。模式识别技术在遥感领域具体应用就是遥感影像分类，它利用计算机通过对遥感图像中各类地表物体的光谱信息和空间信息进行分析，选取数据中的特征属性值，按照某种规则将图像像元的各类信息分类。一般的分类方法有监督分类和非监督分类两种。监督分类法需要遥感图像对图像地物获取先验知识，每个像元与训练样本对比，按照不同的规则将其划分到最为相似的样本类中。而非监督分类法则不需要遥感图像对图像地物获取先验知识，它主要靠通过特征提取，统计特征差别来实现分类。4.4、在车牌识别上的应用随着当今社会经济的发展，汽车已经成为了人们生活工作中不可或缺的代步工具，正因为如此对车牌识别的普及和发展是尤为重要的。模式识别的图像处理主要负责整个车牌识别系统的车牌定位，字符分割，字符识别的这几个部分。首先对车牌定位，选取图像中的车牌部分并将其分离出，对车牌定位后需要进一步将车牌图像的多个字符提取分割成单个字符，然后进一步识别。而在实际应用中，一些环境和天气的影响会出现光照不均匀，雨雪和雾的不利影响使得车牌识别模糊，还有些车牌会出现油漆剥落、生锈等影响车牌质量的因素，这很大程度上会降低车牌识别率，所以精确的对车牌图像的采集是关键所在。如今车牌识别主要被应用于监测报警，交通超速违章处罚，车辆出入管理，高